[发明专利]一种增材制造构件的无损检测方法及系统

说明书

本发明属于无损检测技术领域，公开了一种增材制造构件的无损检测方法及系统。方法中采用激光器作为超声的激励源对增材制造构件的表面进行热激励，通过红外检测模块对增材制造构件的红外图像进行采集，分别得到背景信息和表面温度信息，基于减背景的图像信息确定缺陷的位置，利用LSTM神经网络得到缺陷温度信息与缺陷尺寸信息之间的映射关系，实现对增材制造构件的缺陷的尺寸预测。系统包括激光超声激励模块、红外检测模块和控制处理模块。本发明能够实现增材制造构件的无接触高精度缺陷检测。

技术领域

本发明属于无损检测技术领域，更具体地，涉及一种增材制造构件的无损检测方法及系统。

背景技术

金属增材制造能够实现结构复杂的大型构件快速成型，具有加工周期短、效率高的优点。然而，构件的增材制造过程中原料反应过程剧烈，温度变化复杂、熔池状况难以预料等因素使最终产品出现各种缺陷。增材制造构件的缺陷大致分为：表面缺陷和内部缺陷。表面缺陷包括表面粗糙、表面裂纹、表面氧化和球化等，内部缺陷有内应力引起的宏观裂纹、未熔合、夹杂、孔洞(一般尺寸几微米至几百微米)、微裂纹、合金元素偏析等。缺陷的存在最终影响零件的物化性能并削弱其力学性能，限制了金属增材制技术的推广和金属增材制造构件的工业应用，因此对金属增材制造构件的质量进行评定或检测尤为重要。红外波无损检测技术自20世纪70年代提出，应用领域广泛，如航空航天、能源运输和新材料等，检测缺陷类型有裂纹、分层、脱粘等。该技术主要采用主动激励对所探测材料的缺陷进行检测，具体地，激励使材料缺陷处产生温度变化，然后通过红外热像仪记录观察温度场的变化。对于热激励源来说，目前有超声、激光、闪光灯等。超声激励的方式包括利用压电换能器、电磁声换能器、空气耦合超声换能器和电容换能器。其中压电换能器属于接触式的，须在构件和探头之间添加耦合剂，这对于有特殊要求的检测环境是不允许的，例如增材制造过程。另外，对于接触式压电换能器而言，在高温高压的环境下激发出超声波也是很大的挑战。对于其它三种非接触式换能器，能量转换效率随着构件与探头间的距离增大快速衰减，其中电磁超声的提离高度需要控制在1mm内，均无法实现远距离地激励增材制造构件，进而不适用于对增材制造构件进行无损检测。因此，如何在较远距离实现增材制造构件的无损检测，进而对缺陷尺寸进行预测或识别是本领域亟待解决的一个问题。

发明内容

本发明通过提供一种增材制造构件的无损检测方法及系统，解决现有技术中无法实现增材制造构件的无接触高精度缺陷检测的问题。

本发明提供一种增材制造构件的无损检测方法，包括以下步骤；

通过红外检测模块对增材制造构件的红外图像进行采集，得到背景信息；

采用激光器作为超声的激励源，对增材制造构件的表面进行热激励，通过所述红外检测模块对增材制造构件的红外图像进行采集，得到表面温度信息；

将所述表面温度信息减去所述背景信息，得到处理后的图像信息；

对所述处理后的图像信息进行温度梯度操作，根据得到的增材制造构件的表面温度梯度分布信息确定缺陷的位置；

从所述处理后的图像信息的每一帧图像中提取缺陷位置对应的特征温度，构成特征温度-时间信息；

基于所述特征温度-时间信息构建数据集，将所述数据集划分为训练集和测试集；

构建LSTM神经网络，利用所述训练集和所述测试集分别对所述LSTM神经网络进行训练和测试，得到训练好的神经网络模型；

利用训练好的神经网络模型对增材制造构件的缺陷的尺寸进行预测。

优选的，所述LSTM神经网络用于得到缺陷温度信息与缺陷尺寸信息之间的映射关系。

优选的，所述LSTM神经网络包括输入层、LSTM网络层、第一全连接层、舍弃层、第二全连接层和回归层；

所述输入层用于输入所述特征温度-时间信息；